使用神经网络的准星连续光谱估计：深度学习架构的比较研究
星系天体物理
2025-06-25 v1 天体物理仪器与方法
摘要
背景。正在进行或即将进行的大型光谱调查正在大幅增加观测准星光谱的数量，迫切需要开发快速且准确的自动化方法来估计光谱连续光。目标。本研究评估了三种神经网络（NN）——自动编码器、卷积神经网络（CNN）和 U-Net——在预测准星连续光范围内的性能，该范围为 到 。也测试了其在预测星系连续光（范围 到 ）方面的泛化能力。方法。使用绝对分数误差（AFFE）评估这些架构的性能，测试对象包括针对 WEAVE 调查的模拟准星光谱库，以及来自暗能量光谱仪器（DESI）早期数据发布和 VIMOS 公共外星银河系红移调查（VIPERS）的真实数据。结果。自动编码器优于 U-Net，准星的中位数 AFFE 为 0.009。最佳模型还有效恢复了 DESI 准星光谱中 Lyα 光学深度的演化。经过最小优化后，相同架构可用于星系情形，自动编码器的中位数 AFFE 为 0.014，并在 DESI 和 VIPERS 星系中再现 D4000n 突破。
引用
@article{arxiv.2505.10976,
title = {Automated quasar continuum estimation using neural networks: a comparative study of deep-learning architectures},
author = {Francesco Pistis and Michele Fumagalli and Matteo Fossati and Trystyn Berg and Elena S. Mangola and Rajeshwari Dutta and Margherita Grespan and Angela Iovino and Katarzyna Małek and Sean Morrison and David N. A. Murphy and William J. Pearson and Ignasi Pérez-Ráfols and Matthew M. Pieri and Agnieszka Pollo and Daniela Vergani},
journal= {arXiv preprint arXiv:2505.10976},
year = {2025}
}
备注
23 pages, 16 figures. Accepted in A&A